复旦Nat. Commun.：机器学习优化制造基于二维半导体的晶圆级功能电路

在石墨烯开创性研究的推动下，二维层状材料 (2DLM) 家族已经被研究了十余年，并展示出了具有吸引力的功能。然而，仍然存在阻碍高质量增长和电路级集成的挑战，以往的研究仍远未符合行业标准。

在此，复旦大学包文中研究员、周鹏教授及万景研究员等人通过利用机器学习 (ML) 算法来评估影响MoS₂顶栅场效应晶体管 (FET) 电气特性的关键工艺参数来克服这些挑战。

然后，在ML结合网格搜索的指导下，晶圆级加工过程将协同优化器件性能，包括载流子迁移率、阈值电压、亚阈值摆动和电流开关比。与传统的实验设计（DoE）相比，这种ML辅助方法可以有效减少复杂协同优化的研究工作量。

图1. 机器学习辅助优化MoS₂器件工艺

此外，由于构建在晶圆上的FET具有高均匀性，因此作者使用RPI模型（级别= 62）在HSPICE模拟器中模拟MoS₂FET进一步用于构建功能性数字、模拟和光电检测电路。最后，作者展示了采用行业标准的设计流程和FET的晶圆级加工。

综上所述，这些结果通过实验验证了ML辅助制造优化对电子材料的应用潜力，这项研究只是一个案例，其减少器件优化学习周期的能力可以扩展到其他新兴电子材料和新型器件。

图2. 基于MoS₂TG-FET的逻辑电路

图3. 由MoS₂FET构建的晶圆级集成电路

Wafer-scale functional circuits based on two dimensional semiconductors with fabrication optimized by machine learning, Nature Communications 2021. DOI: 10.1038/s41467-021-26230-x

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/12/96998bbd97/

复旦Nat. Commun.：机器学习优化制造基于二维半导体的晶圆级功能电路

相关推荐

分享到：